Categoria: TECH & BUSINESS

Tecnologia e business: l’intersezione tra strumenti digitali, modelli di impresa, leadership e strategia in contesti complessi. In questa sezione raccolgo articoli che mettono al centro le decisioni d’impresa: come si scelgono le tecnologie, come si costruiscono team, come si scalano aziende, come si guida la trasformazione digitale senza inseguire l’hype. Il primo filone è la trasformazione digitale concreta delle aziende. Niente narrazioni astratte sulla digital transformation, ma casi specifici di come cambia il lavoro quando entrano AI, automazione, dati, piattaforme cloud. Quali decisioni i CEO devono prendere personalmente e quali possono delegare. Dove servono nuove competenze e dove no. Il secondo filone è l’innovazione di prodotto e di business model. Cosa significa costruire prodotti AI-native, come si fa product management in un’epoca in cui la tecnologia abilitante cambia ogni sei mesi, dove sta la differenza tra innovazione che genera valore e innovazione vetrina. Spunti che vengono dai miei progetti come imprenditore in ICONI.CO, ZeroFive.AI, LocalAI.io. Il terzo è la leadership in contesti tecnologici complessi. Come si guida un team distribuito quando metà delle attività operative passa attraverso l’AI, come si forma la prossima generazione di leader quando le palestre tradizionali non bastano più, cosa servirà sapere ai manager dei prossimi dieci anni. Temi che riprendo anche dal libro La mente adattiva. Il quarto è la strategia di investimento. Dove conviene mettere capitale e attenzione: AI infrastructure, agenti autonomi, spatial computing, vertical SaaS, modelli open-source. Punti di vista basati su quello che vedo sul campo con le aziende che seguo come advisor e board member. Un quinto filone, più trasversale, è dedicato a casi di studio e narrazioni di imprese. Aziende italiane ed europee che hanno fatto bene la trasformazione, errori comuni che ho visto ripetersi nei boardroom, scelte coraggiose che hanno pagato. Storie utili per chi sta affrontando decisioni simili. Per chi vuole approfondire dal punto di vista strategico, c’è la pagina Advisory con i formati di collaborazione. Per chi cerca formazione strutturata sui temi tech-business, la sezione Formazione raccoglie i master e i percorsi executive che tengo nelle business school italiane.

AI & GENAI, TECH & BUSINESS

Il 57% di McKinsey è il numero sbagliato per fare scelte aziendali

Il 25 novembre 2025 il McKinsey Global Institute ha pubblicato uno dei report più discussi dell’ultimo semestre, Agents, Robots, and Us: Skill Partnerships in the Age of AI. La cifra che è girata su tutti i media internazionali è una: il 57% delle ore lavorative negli Stati Uniti è tecnicamente automatizzabile oggi, senza attendere ulteriori breakthrough. Il 44% via agenti AI, il 13% via robotica. Una percentuale così alta che, raccontata male, suona come un annuncio di disoccupazione di massa.

Leggere così quel numero, secondo me, è il modo peggiore di usare quel report. Il 57% misura il potenziale tecnico in laboratorio, non lo scenario reale di adozione. Usarlo per fare scelte aziendali porta nella direzione opposta a quella utile. Ho letto il report intero in questi giorni e provo a dare la mia lettura, da chi lavora in azienda con le aziende, non da chi commenta da fuori.

Il 40% è il dato da cui partire

Il 57% è il limite superiore in laboratorio. Risponde alla domanda: se prendiamo gli strumenti AI e robotici che già esistono, quante ore di lavoro umano potrebbero in teoria essere svolte dalle macchine? La risposta è oltre la metà. Ma McKinsey stesso sottolinea che questa cifra non si tradurrà in posti persi nella stessa proporzione, per tre ragioni che il report spiega bene.

  • Tempo di adozione: l’adozione richiederà anni, in molti casi decenni, perché le aziende devono ridisegnare i flussi prima di poter automatizzare.
  • Mix di attività dentro ogni ruolo: la maggior parte dei lavori contiene un mix di attività, e raramente un singolo lavoro è automatizzabile al 100%.
  • Gap fra laboratorio e produzione: molte attività che oggi sembrano automatizzabili in laboratorio non lo sono in produzione, per ragioni di affidabilità, responsabilità legale, accettabilità sociale o semplice costo del bilanciamento errore-supervisione.

Il numero che secondo me andrebbe letto in parallelo è un altro che si nasconde nel report: circa il 40% dei lavori cade nelle categorie a più alta automatizzabilità, principalmente attività amministrative, legali junior, programmazione di routine. Quel 40% non sparisce, ma cambierà natura entro l’orizzonte 2030, e cambierà bruscamente per chi non si attrezza per tempo. Questo dovrebbe essere il dato da cui partono le riunioni di leadership team in questi mesi, non il 57% da titolo apocalittico.

Persone, agenti software, robot fisici: il framework di McKinsey

Il contributo più interessante del report è il framework dei sette archetipi di lavoro che McKinsey costruisce mappando 800 occupazioni rispetto a tre dimensioni: quanto è people-centric, quanto è agent-centric (cioè automatizzabile da AI software), quanto è robot-centric (cioè automatizzabile da hardware). Ne emergono profili misti che rispecchiano quello che si vede nei contesti reali. Un radiologo è people-centric per la responsabilità clinica e agent-centric per l’analisi delle immagini, e la combinazione delle due dimensioni in un’unica figura professionale è un nodo organizzativo nuovo da governare.

La parola chiave del framework è partnership. McKinsey parla di collaborazione fra persone, agenti software e robot fisici, ciascuno con la propria competenza, orchestrati in workflow ridisegnati. La parte più scomoda del messaggio è che il framework funziona solo se l’organizzazione fa il lavoro di ridisegno. Se prendi un workflow esistente, ci ficchi dentro un agente AI sopra al processo che hai sempre fatto, non ottieni il 57%, ottieni nel migliore dei casi un risparmio del 10-15% e una serie di frustrazioni operative.

Per chi compra AI in azienda, questo punto vale più di mille slide. Il valore non sta nel tool, sta nel ridisegno del processo intorno al tool. Senza ridisegno, il ROI delle implementazioni AI rimane sotto le attese e i progetti finiscono nel limbo dei pilot perpetui.

Tre competenze umane che si fanno scarse

Una parte del report che mi ha colpito riguarda le competenze umane che diventano più rare, e quindi più richieste, man mano che l’AI assorbe i compiti standardizzati. McKinsey mappa migliaia di skill estratte dagli annunci di lavoro e individua tre cluster che resistono e crescono.

Il primo è quello delle skill relazionali avanzate: gestione del conflitto, negoziazione, coaching, costruzione del consenso in gruppi diversi. Sono attività che richiedono lettura del contesto sociale, contestualizzazione, judgement etico, e che le macchine fanno male anche quando sanno parlare bene.

Il secondo è quello del problem framing: la capacità di formulare la domanda giusta da porre all’AI, di distinguere un buon prompt da uno mediocre, di interpretare un output e capire quando merita fiducia e quando no. È una skill che ha più a che fare con il pensiero critico che con la tecnica, e curiosamente è una skill che il sistema scolastico italiano non ha mai sviluppato in modo sistematico.

Il terzo è quello dell’orchestrazione: tenere insieme processi multi-step in cui interagiscono persone diverse, agenti diversi, sistemi diversi. Project manager evoluti che capiscono dove inserire un agente nel flusso e dove tenere fermo l’umano. Sono profili che fino a un anno fa non esistevano e che adesso le aziende si contendono.

Tre skill scarse, prezzi che si muovono. È quasi un piccolo manuale di come riallocare il budget HR per il prossimo triennio.

Tre conversazioni che i board italiani dovrebbero aprire entro fine anno

In Italia il dibattito sull’AI nel lavoro è ancora dominato da due narrative simmetriche e sbagliate. La prima dice che l’AI ci ruberà i posti e che bisogna proteggerli con qualche regolazione. La seconda dice che l’AI è un super-strumento neutro, basta adottarlo per essere più competitivi. Il report di McKinsey mostra che entrambe queste narrative perdono il punto.

Le aziende che vinceranno il prossimo decennio non saranno quelle che adottano l’AI prima, ma quelle che ridisegnano i propri processi intorno alla collaborazione fra persone, agenti software e robot fisici. Per farlo serve qualcosa che in Italia abbiamo strutturalmente poco, ovvero capacità di trasformazione organizzativa profonda. Non capacità di acquistare tool, ne abbiamo a sufficienza. Capacità di rimettere mano a chi fa cosa, di toccare le abitudini consolidate, di accettare che metà del valore di un’implementazione AI si gioca prima ancora di accenderla, nella riprogettazione del flusso che le sta intorno.

Per chi guida un’azienda strutturata, oggi, ci sono tre conversazioni che meritano di essere portate al tavolo del board nei prossimi tre mesi.

La prima: quali nostri workflow contengono il maggior numero di ore standardizzabili, e quali no? Una mappa di alto livello del 57% dentro la nostra realtà specifica.

La seconda: chi sono i nostri orchestratori naturali? Persone che hanno già la capacità di tenere insieme processi multi-attore, che capiscono dove servono le competenze relazionali e dove serve la disciplina tecnica. Le aziende che riescono a identificarli e a metterli nei posti giusti partiranno con un vantaggio enorme.

La terza: dove possiamo permetterci di pilotare un workflow completamente ridisegnato, e non solo automatizzato a strati? Dove ci possiamo permettere il rischio di romperlo e ricostruirlo, su uno scope contenuto, per imparare come si fa prima di doverlo fare su scala?

Sono tre domande che non hanno bisogno di numeri da 57% per essere utili. Hanno bisogno di tempo dedicato dalla leadership, e di sufficiente coraggio per dare risposte concrete entro fine anno. Da imprenditore vedo molte aziende ferme alla prima delle tre, alcune che hanno provato la seconda, pochissime che hanno avuto il coraggio della terza. È lì, secondo me, che si decide la parte interessante del prossimo ciclo competitivo italiano. Non nei budget AI, che ormai tutti hanno. Nelle scelte organizzative dietro a quei budget.

Articolo di riferimento: McKinsey Global Institute, Agents, Robots, and Us: Skill Partnerships in the Age of AI, 25 novembre 2025.

AI & GENAI, TECH & BUSINESS

Quanta intelligenza artificiale stai davvero governando?

Usare intelligenza artificiale e governarla sono due cose diverse. Quasi nessuna organizzazione che conosco ha ancora fatto il salto dalla prima alla seconda, e il conto sta arrivando, in modo molto concreto, sotto forma di budget esplosi a fine mese.

Le due cose sembrano simili. Non lo sono per niente.

Ho visto circolare nelle ultime settimane un grafico che mi ha colpito per la sua semplicità, il tipo di visualizzazione che riesce a mettere insieme in modo immediato qualcosa che si intuiva ma non si riusciva ancora a formulare bene. Su scala logaritmica, due curve: i ricavi da abbonamento per posto, piatti e stabili nel tempo, e il costo reale per token di inferenza, che cresce in modo esponenziale con l’intensità d’uso. Finché le linee restano separate, il margine esiste, le aziende che costruiscono su questi modelli respirano. Dopo l’incrocio, il grafico lo chiama “Profit Collapse.” Non è un modello accademico, è quello che le aziende che hanno messo intelligenza artificiale in produzione su larga scala stanno già vedendo nelle loro dashboard finanziarie.

Un caso che ha fatto girare molto rumore nelle ultime settimane: il CTO di Uber ha dichiarato di aver consumato in quattro mesi l’intero budget previsto per l’anno intero. Non perché i modelli non funzionassero. Perché nessuno aveva progettato il workflow con la consapevolezza che ogni chiamata ha un peso, che la somma di migliaia di micro-interazioni che sembrano gratuite diventa, alla scala di un’azienda come Uber, una spesa concreta, reale, non pianificata.

Il prezzo del flat-rate è stato l’ignoranza

Per due anni, i modelli di pricing a tariffa fissa hanno fatto una cosa molto precisa: hanno reso invisibile il costo reale dell’inferenza. La subscription mensile, il “paga X al mese e usa quanto vuoi”, ha creato nelle organizzazioni un’abitudine pericolosa, quella di non porsi le domande giuste sul consumo. Quanti token stiamo generando davvero? Chi li genera? Quale parte del flusso di lavoro produce valore misurabile e quale è ridondanza computazionale, automazione per automazione?

Quelle domande non venivano poste perché il modello economico non le rendeva urgenti. Adesso lo diventano, perché il pricing a token le mette sul tavolo ogni mese, come voce di costo separata, attribuibile, visibile.

La reazione che osservo più spesso è quella sbagliata: tagliare le licenze, ridurre l’accesso, aspettare che i costi scendano ancora. È una risposta di gestione del budget, non una risposta di strategia. E rischia di far perdere il vantaggio competitivo che si stava costruendo nel momento peggiore.

Adottare e governare sono due fasi diverse

C’è una distinzione che mi sembra fondamentale e che non viene fatta abbastanza, anche tra le persone che lavorano sul tema con serietà.

Adottare vuol dire integrare strumenti nei processi, formare le persone, misurare i primi risultati, dimostrare che funziona. È la fase in cui quasi tutte le organizzazioni si trovano, o si sono trovate nell’ultimo anno e mezzo. È necessaria, è il punto di partenza, ed è giusta.

Governare è qualcosa di diverso, più granulare e più esigente. Significa sapere dove ogni interazione con un modello si inserisce nel flusso operativo, quali sono le condizioni di attivazione, quanto pesa in termini di contesto, quanto costa ogni singola risposta e perché vale quello che costa. Significa avere visibilità sul consumo in tempo reale, non scoprirlo a consuntivo a fine mese. Significa, soprattutto, aver progettato i processi attorno agli strumenti, non aver semplicemente incollato un modello linguistico sopra un flusso di lavoro che esisteva già prima e che continua a funzionare esattamente come prima, solo con un layer di testo generato in più.

La gran parte delle organizzazioni che conosco è ancora nella fase dell’adozione. Si vede dai sintomi: budget che arrivano come sorprese, utilizzi distribuiti in modo caotico tra team diversi, nessuna metrica di efficienza sul consumo, nessuna distinzione operativa tra le interazioni che creano valore e quelle che lo consumano senza restituirlo.

Perché tenere l’intelligenza dentro cambia tutto

In questo contesto, spostare i modelli dentro perimetri controllati, on-premise o in architetture ibride dove il dato sensibile non esce, smette di essere una posizione ideologica sulla sovranità del dato e diventa una scelta molto concreta, economica e operativa insieme.

I vantaggi sono due, e si sovrappongono. Il primo è la prevedibilità dei costi: un modello che gira su infrastruttura propria ha un costo fisso che si pianifica, con una variabile di consumo che rimane interna, controllabile, non affidata all’intensità d’uso di tremila dipendenti distribuiti su fusi orari diversi. Il secondo è la compliance, che con l’AI Act in vigore e la pressione normativa che continua a crescere è diventata un requisito operativo con scadenze e responsabilità, ben oltre il perimetro di chi si occupa di legale.

Non tutti i casi d’uso hanno bisogno di modelli privati. Molti flussi di lavoro funzionano perfettamente su API pubbliche, purché siano stati progettati con la consapevolezza del costo. Ma la scelta tra pubblico e privato non può essere presa senza aver prima risposto alle domande di governo: chi usa cosa, con quale frequenza, per fare cosa, e quanto rende.

I token come risorsa operativa

C’è un cambio culturale che secondo me non sta avvenendo alla velocità giusta, ed è quello di trattare il consumo di token come una risorsa operativa, con la stessa serietà con cui si trattano le ore di computing, la banda di rete, lo storage.

In ogni organizzazione tecnologicamente matura, queste metriche hanno un owner, un budget, un ciclo di ottimizzazione. Il consumo di token, finora, non ne ha avuto uno. Era nascosto nel flat-rate, o era abbastanza economico da sembrare irrilevante come singola voce.

Non è più così, e la risposta non è tagliare, come dicevo. La risposta è costruire la governance prima che il budget esploda: monitoraggio in tempo reale, attribuzione del consumo per team e per processo, soglie di allerta, revisione periodica dei flussi ad alto costo. È lavoro di ingegneria, di processo, di cultura organizzativa. È il lavoro che separa chi sta ancora adottando da chi sta davvero costruendo.

C’è un parallelo che mi viene in mente pensando a come siamo arrivati qui. Nel mondo dello sport professionistico, c’è stato un momento in cui le squadre hanno smesso di valutare i giocatori a occhio e hanno iniziato a misurare tutto, ogni azione, ogni metro percorso, ogni contatto. Quella trasformazione non ha reso lo sport meno umano, ha reso le decisioni più informate. Qualcosa di simile sta per succedere con l’intelligenza artificiale in azienda: chi impara a misurare prima, e a misurare le cose giuste, arriverà avvantaggiato alla fase successiva.

La competizione si sposta

Ci sarà un punto, e credo non lontano, in cui la competizione sull’intelligenza artificiale in azienda non si giocherà più sull’accesso ai modelli. I modelli sono già disponibili, i costi di inferenza scendono, la barriera tecnica all’ingresso si abbassa. La competizione si giocherà su chi riesce a usarli in modo economicamente sostenibile, con processi progettati per reggere la scala, non solo la demo, e con la capacità di misurare, ottimizzare, correggere in tempo reale.

Le organizzazioni che arriveranno avvantaggiate a quella fase sono quelle che adesso, mentre la conversazione pubblica è ancora tutta sull’adozione e sui casi d’uso, stanno costruendo la governance. Stanno ponendo ai loro team le domande scomode. Stanno mettendo metriche dove prima c’erano impressioni. Stanno disegnando flussi di lavoro che hanno senso economico oltre che funzionale.

Senza dubbio, la domanda che conta adesso non è “stai usando intelligenza artificiale?” ma “sai cosa sta facendo l’intelligenza artificiale che stai usando, e quanto ti costa davvero governarla?”

AI & GENAI, TECH & BUSINESS

Onlyness e leadership: perché il change management non funziona più

Ho ascoltato in questi giorni il podcast con Nilofer Merchant in cui torna sul concetto che porta avanti da anni, quello che lei chiama onlyness, e lo applica a un’idea che mi sembra meriti più attenzione di quella che riceve in Italia: la fine del change management come l’abbiamo conosciuto. Merchant viene da una carriera lunga in Apple e Autodesk, ha lanciato oltre cento prodotti, è una delle voci più riconosciute sul Thinkers50, e da qualche tempo dice una cosa precisa. Il change management, inteso come piano che parte dall’alto e si distribuisce sotto, è uno strumento del Novecento. Funzionava in un mondo in cui chi stava in cima sapeva la direzione e chi stava sotto doveva essere portato a seguirla, con la giusta combinazione di leve di influenza, comunicazione e formazione. Era un sistema di controllo travestito da accompagnamento.

Quel mondo, dice Merchant, non esiste più. Esiste un altro mondo in cui la conoscenza necessaria per cambiare un’organizzazione non sta più tutta in cima ed esiste quasi sempre distribuita nei nodi, perché sono i nodi quelli che toccano i clienti, i prodotti, le anomalie, le opportunità invisibili dal piano direttivo. Allora il cambiamento non si gestisce più. Si co-crea. E il ruolo della leadership si trasforma da quello di chi indica la rotta a quello di chi sa porre le domande giuste e accetta di non sapere ancora la risposta.

Il sapere si è spostato, i framework no

Per anni ho visto progetti di trasformazione organizzativa fallire per la stessa ragione di fondo, quella che adesso Merchant nomina bene. C’era una sproporzione tra chi disegnava il cambiamento e chi lo doveva attuare. Quelli che lo disegnavano sapevano abbastanza di strategia ma poco del lavoro reale, quelli che lo dovevano attuare sapevano del lavoro reale ma erano tenuti fuori dal disegno. Il classico tentativo di sanare lo squilibrio era introdurre cicli di workshop, focus group, sondaggi di engagement. Roba che dava al sotto l’illusione di partecipare al sopra senza spostare davvero la decisione. Funzionava, a tratti, perché il sotto accettava la finzione in cambio di un po’ di considerazione.

Adesso quella finzione si rompe da sola, e non per ragioni etiche ma per ragioni di efficienza. L’AI sta amplificando un fenomeno che già era in corso da vent’anni: la conoscenza utile per prendere decisioni si è spostata verso i bordi dell’organizzazione. Strumenti come Claude, Copilot, e tutti i loro fratelli, mettono nelle mani di chi sta nei nodi capacità di analisi, sintesi, prototipazione che fino a ieri richiedevano staff dedicato. Una persona junior con un modello potente accanto può oggi produrre output decisionali che dieci anni fa erano appannaggio di consulenti senior pagati a giornata. Allora la domanda diventa imbarazzante: perché continuiamo a gestire il cambiamento come se la conoscenza fosse ancora gerarchica?

Onlyness applicata alla trasformazione

Il concetto di onlyness di Merchant è la chiave operativa che permette di uscire dall’impasse. Onlyness è il punto unico del mondo in cui solo tu stai, dato dalla combinazione esatta di esperienza, storia, prospettiva, relazioni che hai accumulato. Da quel punto unico puoi vedere cose che nessun altro vede e portare contributi che nessun altro può dare. Vista così, ogni persona in organizzazione è portatrice di onlyness, e l’onlyness non si delega.

Quando trasferisci questa idea al cambiamento organizzativo, succede una cosa interessante. Il piano dall’alto smette di essere un piano. Diventa una cornice: la domanda che si sta cercando di rispondere, il vincolo che bisogna rispettare, l’orizzonte temporale entro cui muoversi. Dentro quella cornice, sono gli onlyness distribuiti a costruire le soluzioni, una accanto all’altra, una sopra l’altra, fino a comporre qualcosa che nessuna mente singola avrebbe potuto disegnare. Il ruolo di chi guida diventa custodire la cornice, non riempirla. Tenere fermo il perché, lasciare aperto il come.

Sembra astratto e invece è molto operativo. Vuol dire che il leader passa la maggior parte del tempo a fare due cose: a formulare e riformulare la domanda finché diventa abbastanza precisa da orientare l’azione senza essere così stretta da chiudere lo spazio creativo, e a costruire le condizioni in cui le persone si sentono sicure abbastanza per portare il proprio punto unico al tavolo senza paura. La seconda cosa è la più difficile, perché va contro decenni di abitudini gerarchiche.

Onlyness e disagio: il segnale che qualcosa sta davvero cambiando

Merchant parla del disagio come componente strutturale del processo. Non lo vede come effetto collaterale da minimizzare, lo vede come segnale che si sta andando nella direzione giusta. Se durante un processo di cambiamento nessuno sta scomodo, allora con buona probabilità non sta cambiando niente di vero. Sta cambiando solo la superficie, magari i diagrammi, magari le nomenclature, magari i punteggi negli engagement survey. Ma sotto, le vecchie posizioni di potere stanno tenendo botta.

Il disagio vero arriva quando chi era abituato a decidere deve imparare ad ascoltare prima di parlare, quando chi era abituato a eseguire deve imparare a proporre, quando chi era abituato a sapere deve riconoscere apertamente che non sa. Sono tre disagi simmetrici, distribuiti nei tre livelli classici dell’organizzazione, e nessuno dei tre è gratis. Merchant non promette una scorciatoia. Dice che il leader serio è quello che lo accetta e ci convive, anziché cercare di anestetizzarlo con metodologie sempre più sofisticate.

Leader e onlyness: la nuova base dell’autorità

Nel mio libro La mente adattiva avevo cercato di descrivere come la capacità di adattamento individuale e organizzativo stesse diventando la competenza chiave del decennio. Adesso vedo che quella tesi ha bisogno di un’integrazione. L’AI non aumenta solo l’urgenza dell’adattamento, ne cambia anche la natura. Perché l’AI non è uno strumento che aspetta l’istruzione, è un agente che propone. Lavora con te, ti porge alternative, ti contesta assunzioni. Se sai usarla, è come avere accanto un collega che ha letto tutto ed è disposto a discutere all’infinito.

In quel quadro, l’organizzazione gerarchica vecchio stampo diventa un collo di bottiglia evidente. Se ogni nodo dell’organizzazione ha accesso a un partner di ragionamento di livello globale, il freno smette di essere informativo e diventa autorizzativo: non manca più la conoscenza, manca il permesso di usarla. La burocrazia interna che doveva proteggere dalla cattiva decisione adesso protegge dalla decisione e basta. E intanto i competitor più piccoli, più piatti, più disposti a co-creare, si muovono prima.

Cosa succede a chi guida quando questo si avvera? Succede che il modello mentale del leader come ultimo decisore informato non regge più. L’AI sa più cose di te, su quasi tutto. I tuoi collaboratori, ben armati di AI, sanno più cose di te sui loro ambiti specifici. La tua autorità non può poggiare sul “sapere di più”, perché è semplicemente falso. Deve poggiare su qualcos’altro: sulla qualità delle domande che fai, sulla precisione con cui custodisci la direzione, sulla capacità di tenere viva la coesione del gruppo quando tutti sanno troppe cose e nessuno sa quella decisiva.

Come si forma il prossimo livello di leadership

Se la co-creazione è davvero il nuovo paradigma e l’AI lo accelera, allora va riaperta la questione su come si forma il prossimo livello di leader. Le vecchie palestre, le carriere lineari, gli step da middle a top management, presupponevano un mondo in cui si saliva accumulando sapere e contatti. Adesso il sapere è distribuito e i contatti li media spesso un algoritmo. Quello che resta scarso, e che diventa quindi il vero asset, è la capacità di stare nel disagio della non-conoscenza, di formulare domande che muovono persone e organizzazioni, di tenere insieme talenti diversi intorno a un perché che regge.

Tre cose che non si imparano leggendo, si imparano facendo, in mezzo agli altri, fallendo davanti a loro qualche volta. Mi piacerebbe vedere più aziende che progettano percorsi di leadership su queste tre dimensioni invece che sulla classica triade conoscenze-competenze-soft skill. Sarebbe già un primo passo verso il post-change-management che Merchant prefigura. Per ora, da imprenditore che ha attraversato cambiamenti organizzativi di vari ordini di grandezza, dico che il problema più sottile sta nel cambiare l’idea che abbiamo del leader, prima ancora delle regole. E quella, le regole, non basta a smuoverla.

Se vuoi confrontarti su come riprogettare ruoli di leadership in un contesto in cui l’AI ridistribuisce la conoscenza nei nodi, c’è la pagina Advisory con i formati di collaborazione che propongo a CEO e leadership team.

TECH & BUSINESS

LocalAI: la guida per costruire un ecosistema di AI privata, dagli LLM agli agenti con memoria

Per mesi ho visto ripetersi la stessa scena: entusiasmo enorme sull’AI generativa, proof-of-concept ovunque, e poi, quando arriva il momento di portare l’AI dentro processi reali, una domanda che taglia corto: “Dove vivono i dati?”. Subito dopo ne arriva un’altra: “Quanto ci costerà davvero?”. E subito dopo la terza: “Cosa succede se domani cambia un pricing, un accesso, una policy, un modello?”.

È da questa triade (dati, costi, dipendenza) che nasce l’idea della guida su LocalAI. Non come esercizio tecnico, ma come scelta di architettura. E, in fondo, come scelta culturale: riportare l’intelligenza sotto il controllo di chi la usa.

“Guida completa a LocalAI, LocalAGI e LocalRecall” è pensata per costruire un ecosistema di Intelligenza Artificiale privato su hardware consumer: dal server di inferenza agli agenti autonomi, passando per la memoria. Ho provato a scrivere la risorsa che avrei voluto avere io: un percorso unico, pratico, con un filo logico, capace di trasformare pezzi sparsi in una stack coerente.

Il punto di partenza è LocalAI: un server di inferenza che espone API compatibili con OpenAI e permette di eseguire modelli (testo, immagini, audio, embeddings) sul proprio hardware. La compatibilità non è un dettaglio: significa poter “sganciare” un’app dal cloud e reindirizzarla in locale con modifiche minime.

Ma un sistema utile non è solo un modello che risponde. Serve memoria, serve contesto, serve recupero delle informazioni, serve continuità. Per questo la guida si estende a LocalRecall: lo strato di memoria che implementa RAG (retrieval-augmented generation), cioè la capacità di interrogare una base di conoscenza esterna e alimentare il modello con informazioni pertinenti, riducendo errori e allucinazioni e aumentando la qualità delle risposte.

E poi c’è l’ultimo salto: dagli LLM agli agenti. Qui entra LocalAGI, pensato per creare e orchestrare agenti autonomi (anche in modalità no-code/low-code), collegandoli al “cervello” (LocalAI) e alla “memoria” (LocalRecall). Quando questa triade funziona, non stai più giocando con una chat: stai costruendo un sistema capace di fare piani, eseguire task, usare strumenti, ricordare, migliorare.

La struttura del libro riflette questa progressione, perché l’AI locale non è un singolo componente: è un’architettura. Nella prima parte si costruiscono le fondamenta (installazione, modelli, backend, funzionalità principali e ottimizzazioni, con attenzione alla sicurezza). Nella seconda si costruisce la memoria (LocalRecall e le scelte di storage, dalla semplicità alla scalabilità). Nella terza si costruisce l’intelligenza attiva (LocalAGI e la logica agentica). E nella quarta si scende su casi d’uso e appendici operative.

Un aspetto che ho voluto rendere esplicito è che “locale” non significa “romantico”. Significa pragmatico:

  • Privacy: i dati non devono lasciare la macchina, quando non è necessario.
  • Costi: sposti spesa da OPEX variabile (token) a CAPEX + energia, rendendo il budget più prevedibile.
  • Personalizzazione: puoi scegliere modelli, configurazioni, pipeline, senza vendor lock-in.
  • Resilienza: puoi far funzionare parti del sistema anche offline o in rete chiusa.

E poi c’è una parola che spesso manca nel dibattito: responsabilità. Avere controllo significa anche doversi occupare di sicurezza: proteggere endpoint, chiavi, accessi, permessi, logging. La guida insiste su questo perché l’AI locale non è “auto-magicamente” sicura: è solo più governabile, se la governi.

Per chi è questa guida?

Per chi sviluppa e vuole un’alternativa seria al cloud. Per chi fa IT e deve ragionare su TCO e compliance. Per chi costruisce prodotti e vuole embedded AI senza consegnare tutto a terzi. Ma anche per chi, semplicemente, vuole capire la stack: cosa sono i backend di inferenza, perché esistono gli embeddings, come si fa RAG, come si orchestrano agenti, e quali trade-off stai accettando quando dici “usiamo un LLM”.

Nella Nota dell’Autore ho scritto una cosa che per me è centrale: questi strumenti non sono solo strumenti tecnici. Rappresentano una filosofia, accessibilità, trasparenza, controllo, e un invito a contribuire a un ecosistema open-source che sta accelerando a vista d’occhio. La guida è un punto di partenza, non un punto di arrivo. Ma è il punto di partenza che mancava: chiaro, pratico, completo.

TECH & BUSINESS

OpenClaw: la guida per costruire un assistente AI personale che agisce (e non solo risponde)

C’è un equivoco diffuso sull’AI: pensiamo che il suo destino naturale sia conversare. In realtà, la conversazione è solo l’interfaccia più comoda per comandare qualcosa. Il salto vero arriva quando quel “qualcosa” può agire: cercare, compilare, scrivere, organizzare, verificare, iterare. È il momento in cui smetti di chiedere “spiegami” e inizi a dire “fallo”.

OpenClaw si colloca esattamente lì: non un chatbot, ma un assistente personale agentico progettato per eseguire task complessi interagendo con sistema operativo, browser e applicazioni. La guida nasce per raccontare questa differenza senza hype: cosa è, come funziona, come si installa, e soprattutto come si rende sicuro.

Uno dei punti che chiarisco subito è la filosofia: OpenClaw non è un’interfaccia conversazionale fine a sé stessa. È un motore di automazione controllato dal linguaggio naturale. Quando gli scrivi, non ti aspetti solo testo, ma un’azione concreta: creare file, cercare informazioni, modificare documenti, inviare messaggi, completare workflow. Questo cambia completamente sia il potenziale, sia i rischi.

Per orientarsi, serve un modello mentale chiaro dell’architettura. Per questo la guida parte dai componenti fondamentali:

  • Gateway: il cuore del sistema, orchestrazione e sessioni.
  • CLI: lo strumento di gestione e diagnostica.
  • Nodi: estensioni per distribuire capacità su più macchine (es. un nodo macOS per iMessage).
  • Skills: istruzioni in formato SKILL.md per estendere capacità senza dover “hardcodare” tutto.

Questa modularità è il motivo per cui OpenClaw può diventare “il tuo” assistente, non “un” assistente generico: scegli cosa installare, quali canali attivare, quali skill concedere, quali permessi dare. E qui arriviamo alla parte più importante della guida: la sicurezza.

Un agente che può toccare file system, browser, email e credenziali non è neutro. È potenzialmente pericoloso, anche se non c’è nessuna intenzione malevola. Basta un prompt sbagliato, una configurazione permissiva, una skill non verificata, o un attacco di prompt injection, per creare danni reali. Per questo dedico un capitolo al threat model e a un principio che considero non negoziabile: “Access Control Before Intelligence”. Prima i confini, poi i superpoteri.

La guida include checklist e pratiche concrete: isolamento (hardware dedicato o virtualizzazione), permessi minimi sul file system, policy di allowlist per chi può contattare l’agente, prudenza nell’installazione di skills di terze parti, profili browser dedicati, audit periodici. L’obiettivo è rendere l’automazione sostenibile, non rischiosa.

Poi c’è il tema deployment: un assistente personale ha senso se è affidabile e sempre disponibile, ma anche se è coerente con le tue esigenze.

Per questo confronto tre opzioni pratiche:

  1. Mac Mini: ottimo per prestazioni/consumi e, soprattutto, per integrazioni Apple (quando servono).
  2. Raspberry Pi 5: entry-level, low cost, sempre acceso, perfetto per sperimentare con impatto energetico minimo.
  3. VPS in cloud: massima accessibilità e scalabilità, ma richiede disciplina di sicurezza (non esporre porte “nude”, usare tunnel/VPN/reverse proxy).

Una volta installato, arriva la parte “da vita reale”: collegare canali di messaggistica, scegliere modelli LLM, gestire fallback, e costruire un set di skills utile per il proprio lavoro. Qui la guida prova a essere concreta: mostra logiche, policy di accesso, e pattern d’uso (non solo teoria).

E soprattutto scende su casi d’uso. Non “demo da conferenza”, ma esempi che rispecchiano il lavoro quotidiano: ricerca strutturata e sintesi in un file, debugging su codice e log, pianificazione e verifica, monitoraggio e alerting, gestione documentale e riassunti. L’idea è far vedere come ragiona un agente: obiettivo, piano, azione, osservazione, correzione.

Chiudo con un messaggio semplice: OpenClaw è un punto di svolta perché sposta l’AI dalla risposta all’azione. Ma ogni svolta richiede consapevolezza. La guida è pensata per farti ottenere il massimo dal paradigma agentico senza perdere di vista ciò che conta: confini, audit, responsabilità. Perché un assistente personale che agisce è utile solo se resta al tuo servizio, non se diventa una nuova superficie di rischio.

SPATIAL COMPUTING, TECH & BUSINESS, WEB3, METAVERSE & NFT

Beyond Virtual: come lo Spatial Computing sta ridisegnando il futuro del gaming

Ieri ho partecipato all’Italian Gaming Expo a Roma con uno speech dal titolo “Beyond Virtual: Spatial Computing and XR for the Future of Gaming”. Un’occasione utile per mettere a fuoco un tema che seguo da tempo con passione e studio, e che ho affrontato anche nel mio libro Spatial Shift: la convergenza tra intelligenza artificiale, tecnologie immersive e nuovi ambienti digitali.

Questa volta ho voluto declinare quei concetti sul settore del gaming, che forse più di altri sta già vivendo una trasformazione profonda, non tanto nel linguaggio estetico o nella logica del gameplay, ma nel modo in cui esperienze, ambienti e contenuti si relazionano allo spazio fisico e alla nostra presenza nel mondo reale.

Il punto di partenza è semplice quanto radicale: stiamo entrando in una nuova fase del computing. Dopo l’epoca desktop, quella mobile e quella cloud, oggi siamo nell’alba di un’era spatial, dove l’interazione con i contenuti digitali si libera dallo schermo e si distribuisce nell’ambiente che ci circonda. Lo chiamiamo spatial computing, ed è molto più di un’estensione dell’AR o della VR. È un cambio di paradigma nel modo in cui il digitale “vive” nello spazio.

Spatial computing: dal dispositivo all’ambiente

In questa nuova fase non interagiamo più con il contenuto “guardando dentro” un device. Il contenuto si proietta fuori. Lo spazio intorno a noi diventa un canvas digitale su cui appaiono elementi immersivi, persistenti, personalizzati. Non è solo una questione di effetto wow: è una trasformazione sistemica del nostro rapporto con l’informazione, la narrazione e il gioco.

Come sottolinea Cathy Hackl, una delle voci più lucide su questi temi, “spatial computing isn’t about devices, it’s about context”. È il contesto che conta. È lì che si gioca la sfida: capire come, dove e quando interagiamo. E soprattutto: chi costruisce questi contesti?

Nel gaming questa transizione è già visibile. Giochi come Pokémon GO hanno mostrato per primi la possibilità di costruire esperienze ludiche sovrapposte al mondo reale. Ma oggi siamo ben oltre: visori come Meta Quest 3 o Apple Vision Pro ci permettono di trasformare il salotto in uno spazio ibrido dove avatar, elementi digitali e oggetti fisici convivono. Il gioco non si svolge più in una finestra digitale, ma intorno a noi, in tempo reale, connesso a ciò che facciamo, vediamo e sentiamo.

Il gioco entra nel mondo reale

Questo shift ha due implicazioni molto forti per chi progetta e costruisce contenuti ludici.

La prima è che l’ambiente stesso diventa parte integrante dell’esperienza. Non parliamo più di livelli predefiniti da navigare con un controller, ma di spazi reali in cui ci si muove fisicamente e in cui ogni elemento – un muro, una sedia, una finestra – può diventare parte attiva della narrazione. L’ambiente non è più lo sfondo, è il gameplay.

La seconda è che il corpo torna ad essere centrale. Il corpo non come ostacolo, ma come interfaccia. Con la computer vision, l’eye tracking, il motion sensing e il feedback aptico, il giocatore non è più “fuori dal gioco” ma dentro, presente, immerso e co-autore dell’esperienza.

In questo scenario, il design cambia pelle. Non si tratta più di scrivere regole per un mondo chiuso, ma di orchestrare esperienze in ambienti aperti, dinamici, interattivi e spesso condivisi. Il confine tra gaming, fitness, socialità, formazione o comunicazione diventa sempre più sottile.

AI, generazione procedurale e ambienti intelligenti

Un’altra variabile che sta accelerando tutto questo è l’intelligenza artificiale.

Non è un’esagerazione dire che la convergenza tra AI e spatial computing sta ridisegnando le fondamenta stesse dell’intrattenimento.

L’AI generativa consente oggi di creare NPC autonomi e realistici, mondi generati dinamicamente, missioni che si adattano in tempo reale al comportamento del giocatore. Ma soprattutto, permette a ogni esperienza di essere personalizzata e situata. Un gioco spatial può cambiare non solo in base al tuo livello o alle tue scelte, ma in base al luogo in cui sei, all’ora del giorno, a chi hai intorno.

Stiamo passando da ambienti digitali “chiusi” a ecosistemi intelligenti in grado di leggere, interpretare e rispondere. La logica stessa della progettazione cambia: da una narrativa predefinita a una co-costruita, dove il giocatore entra in relazione attiva con il contesto. È un salto concettuale e tecnico, ma è anche una grande opportunità per re-immaginare il concetto stesso di gioco.

Il gaming come infrastruttura esperienziale

Molti considerano il gaming un sottoinsieme dell’intrattenimento. In realtà, oggi sta diventando sempre più una piattaforma culturale, un’infrastruttura esperienziale. Lo vediamo nei mondi persistenti di Fortnite o Roblox, dove i confini tra gioco, socialità, evento e commercio si fondono. Lo vediamo nella logica dei digital twin, nei training simulator in XR, nei giochi educativi in MR. Il linguaggio ludico sta diventando la grammatica con cui interpreteremo una parte crescente della realtà aumentata che abiteremo nei prossimi anni.

Il gioco non è più uno spazio-tempo separato. È un layer aggiuntivo che si sovrappone alla vita. Può accendersi durante una camminata in città, durante una sessione di allenamento, o mentre esploriamo un museo. Diventa strumento di coinvolgimento, apprendimento, relazione.

Opportunità e nuove domande

Tutto questo apre scenari enormi per chi sviluppa prodotti, contenuti e strategie in ambito gaming e tech. Si apre un nuovo mercato, con nuovi modelli di business e nuove filiere. Ma emergono anche domande nuove, profonde, che non possiamo ignorare.

Chi possiede lo spazio virtuale sovrapposto a quello fisico? Come si tutelano la privacy, i dati ambientali, i comportamenti biometrici raccolti dai dispositivi XR? Come si regolamenta l’accesso, la moderazione, la sicurezza in un gioco che si svolge nel mondo reale, tra persone vere?

Sono le domande che iniziano ad affiorare oggi, ma che saranno centrali domani, quando milioni di persone inizieranno ad abitare queste esperienze spatial ogni giorno.

Oltre il virtuale

Lo spatial computing non è una moda passeggera. È un cambio di fase.

E il gaming non è semplicemente uno dei primi settori a esserne toccato: è il motore culturale che può guidarne l’evoluzione.

Come ha detto Tim Sweeney, CEO di Epic Games:

“AR glasses will become the entertainment platform of the future, replacing smartphones, tablets, and maybe even TVs.”

Non è più questione di se, ma di quando.

E soprattutto, di come costruire esperienze che non si limitino a stupire, ma che abbiano valore, coerenza e impatto.

Per questo credo che oggi più che mai sia il momento di pensare oltre il virtuale – e iniziare a progettare quello che viene dopo.

TECH & BUSINESS

Innovation Shockwave Curve: dalla disruption all’impatto dell’AI

Che l’innovazione sia il motore della crescita economica e della competitività aziendale e della società non credo ci sia alcun dubbio e non dovrebbe esser, soprattutto l’evento pandemico vissuto, nemmeno necessario doverlo sottolineare.

Malgrado oggi sia noto che siamo entrati nel pieno dell’era della convergenza tecnologica e dell’accelerazione derivante dall’AI e seppur dovrebbe esserci maggiore consapevolezza della necessità di un approccio al cambiamento, su questo tema molti hanno ancora poca propensione e dirottano ancora pochi investimenti.

Nel corso degli ultimi decenni, abbiamo assistito a diverse fasi dell’innovazione, ognuna caratterizzata da modelli di diffusione e adozione tecnologica, caratterizzate da diversi fattori, culturali, sociali, economici e tecnologici.

L’evoluzione, la propagazione e l’impatto delle innovazioni digitali sul mercato hanno avuto andamenti e dinamiche differenti e la loro rappresentazione grafica ha dimostrato diverse curve ed effetti differenti negli anni, con ripercussioni ed effetti con manifestazioni in tempi, frequenze e volumi crescenti

Shockwave AI | Fabio Lalli | Dall-E

Partendo da modelli noti a distribuzione gaussiana, passando per la curva a pinna di squalo (quella della big bang disruption) definita qualche anno fa da Larry Downes e Paul Nunes, stiamo arrivando ad oggi, una fase in cui la maturità di diverse tecnologie e l’arrivo simultaneo dell’AI, sta creando una nuova fase, e quindi un nuovo potenziale impatto, che ho definito la fase della Innovation Shockwave Curve.

Ho buttato giù due righe di riflessioni sul tema, liberi di commentare, integrare, discutere e “distruggere” pensieri e riflessioni … in modo costruttivo.

La curva gaussiana dell’Innovazione

In un’era pre-digitale, le innovazioni tecnologiche erano limitate e richiedevano tempi di sviluppo molto lunghi. Le risorse per la ricerca e lo sviluppo erano meno accessibili e concentrate in poche grandi aziende o istituti di ricerca. La diffusione delle innovazioni avveniva principalmente attraverso mezzi di comunicazione tradizionali e il passaparola, che era un processo lento.

La curva di diffusione dell’innovazione, formalmente conosciuta come “diffusione dell’innovazione”, è stata introdotta da Everett M. Rogers nel 1962 nel suo libro “Diffusion of Innovations“. Questa curva, rappresentata come una distribuzione normale o gaussiana, illustra come le nuove idee e tecnologie vengono adottate nel tempo.

Diffusion of Innovations | 1962 | Rogers

Rogers ha progettato questa curva per spiegare il processo attraverso il quale un’innovazione viene comunicata nel tempo tra i partecipanti a un sistema sociale. La curva si divide in cinque segmenti principali di adottanti: Innovatori, Early Adopters, Early Majority, Late Majority e Laggards. Ogni segmento rappresenta un gruppo distinto di persone che adottano l’innovazione in momenti diversi, a seconda della loro propensione al rischio e all’accettazione delle novità, oltre a fattori economico sociali.

Gli Innovatori, che costituiscono il 2.5% della popolazione, sono i primi a sperimentare nuove tecnologie. Sono seguiti dagli Early Adopters (13.5%), considerati leader d’opinione e primi costruttori della fiducia verso il mercato, e dall’Early Majority (34%), che adotta l’innovazione dopo un periodo di osservazione. La Late Majority (34%) è più scettica e adotta solo dopo che la maggior parte della società ha già accettato l’innovazione. Infine, i Laggards (16%) sono gli ultimi ad adottare, spesso solo quando diventa inevitabile. Questi ultimi due, per un tema di resistenza al cambiamento, adottavano le innovazioni solo dopo ampie prove di successo e la diffusione tra le masse.

Un punto cruciale nella curva di diffusione dell’innovazione è il Tipping Point (punto di non ritorno, coniato da Malcolm Gladwell nel suo libro del 2000, “The Tipping Point: How Little Things Can Make a Big Difference“). Questo punto rappresenta il momento in cui un’innovazione passa dall’essere adottata solo dai primi utenti (Innovatori ed Early Adopters) a diventare accettata dalla maggioranza del mercato (Early Majority). È il punto di svolta in cui l’adozione dell’innovazione diventa autoalimentante e inizia a diffondersi rapidamente attraverso il resto della popolazione.

Il Tipping Point è fondamentale perché segna il passaggio dalla fase iniziale di adozione, che richiede sforzi significativi di promozione e persuasione, a una fase di crescita accelerata dove l’innovazione guadagna trazione grazie al passaparola e alla crescente accettazione sociale. Raggiungere questo punto è spesso l’obiettivo principale delle strategie di marketing e lancio di nuovi prodotti, poiché una volta superato, l’innovazione tende a diffondersi più facilmente e rapidamente.

La curva di Rogers non fornisce solo una comprensione del comportamento di adozione, ma offre anche preziose indicazioni strategiche per le aziende. Comprendere la distribuzione degli adottanti e il significato del Tipping Point può aiutare a pianificare l’introduzione di nuovi prodotti e a sviluppare strategie di marketing mirate per ciascun segmento.

La Curva a Pinna di Squalo o curva della Big Bang Disruption

La curva della disruption è un concetto che ha preso forma nel 2014 grazie al lavoro di Larry Downes e Paul Nunes nel loro libro “Big Bang Disruption: Strategy in the Age of Devastating Innovation“. Questo modello è nato dall’osservazione dei cambiamenti rapidi e radicali che le tecnologie digitali stavano causando nei mercati esistenti. Downes e Nunes hanno studiato come l’avvento di tecnologie come il mobile, internet e i social media stavano trasformando interi settori economici, producendo innovazioni che non seguivano il tradizionale modello di adozione graduale delineato da Everett Rogers.

Big Band Disruption | 2014 | Downes & Nunes

Il modello di Downes e Nunes articola la disruption in quattro fasi distinte. La prima fase, “Singularity“, è caratterizzata da numerosi esperimenti falliti che preannunciano l’arrivo di un cambiamento significativo. Nella fase del “Big Bang“, gli utenti abbandonano rapidamente i vecchi prodotti in favore di quelli nuovi. Segue la fase del “Big Crunch“, dove i disruptors subiscono un’implosione rapida e l’innovazione diventa incrementale. Infine, nella fase di “Entropy“, l’industria attraversa un declino terminale, preparando il terreno per l’ingresso di nuovi disruptors.

La curva della disruption si distingue nettamente dalla curva di diffusione dell’innovazione di Rogers, introdotta nel 1962. Mentre la curva di Rogers è rappresentata come una distribuzione normale (gaussiana), con una diffusione lenta e graduale delle innovazioni attraverso Innovatori, Early Adopters, Early Majority, Late Majority e Laggards, la curva della disruption è caratterizzata da una rapida ascesa, un picco acuto e un altrettanto rapido declino. Questo modello assomiglia a una pinna di squalo, riflettendo la velocità e l’intensità con cui le innovazioni digitali possono devastare i mercati esistenti.

Se nella curva di Rogers, come ho detto, un elemento cruciale è il tipping point, ossia il momento in cui un’innovazione passa dall’essere adottata solo dai primi utenti a diventare accettata dalla maggioranza del mercato e segna il passaggio dalla fase iniziale di adozione a una crescita accelerata e autoalimentante, grazie al passaparola e alla crescente accettazione sociale, non è così nella curva della Disruption. Nella curva della disruption infatti il tipping point è molto più rapido e acuto, con un’adozione di massa che avviene quasi simultaneamente tra gli early adopters e la majority.

Le variabili che impattano la curva della disruption includono la frequenza delle innovazioni, la velocità di adozione e l’ampiezza del picco. Con l’avvento delle tecnologie digitali, infatti, la frequenza delle innovazioni disruptive è aumentata notevolmente e sta accelerando progressivamente, con nuove tecnologie che emergono a un ritmo sempre più rapido. La velocità di adozione sia lato aziende, che lato utenti, è anche significativamente aumentata, grazie alla pervasività di internet, ai social media che permettono una diffusione ed una viralità quasi istantanea delle nuove idee, prodotti e servizi. L’ampiezza del picco nella curva della disruption è molto più elevata rispetto alla curva di Rogers, indicando che una grande percentuale del mercato può essere rapidamente raggiunta e conquistata da una nuova innovazione.

Downes e Nunes, nel loro modello, hanno inoltre identificato tre caratteristiche principali che definiscono i Big Bang Disruptors:

  • “Undisciplined Strategy” implica che questi disruptors competono simultaneamente su molteplici valori strategici, offrendo prodotti che sono sia migliori che più economici rispetto a quelli dei concorrenti. In secondo luogo;
  • “Unconstrained Growth” descrive una crescita rapida e quasi verticale, seguita da un’obsolescenza altrettanto veloce;
  • “Unencumbered Development” riguarda la sperimentazione rapida e il lancio di prodotti utilizzando componenti pronti all’uso.

Queste dinamiche hanno effetti profondi, come evidenziato da Downes e Nunes sulla ricerca e sviluppo (R&S) e sull’approccio alla capacità di resistere all’impatto dei cambiamenti e alla capacità delle aziende di “surfare” l’onda.

La necessità di innovazione continua diventa cruciale, con le aziende che devono investire costantemente in R&S per rimanere competitive e non lasciare al caso o alla rincorsa del cambiamento. L’attenzione si sposta verso la creazione di valore e innovazioni che possano innescare un meccanismo virtuoso incrementale o ancora di più verso innovazioni in grado di cambiare radicalmente e in modo dirompente i mercati esistenti, anziché migliorare solo marginalmente i prodotti esistenti. In questa fase, come descritto dai due autori del libro, le aziende devono sviluppare una forte capacità di adattamento per rispondere rapidamente ai cambiamenti del mercato e implementare strategie di mitigazione dei rischi, come la diversificazione del portafoglio prodotti e la flessibilità operativa.

Per affrontare l’impatto della disruption, le aziende sono state sollecitate ad adottare metodologie agili, snelle e adattative come Scrum e Kanban, per esempio, per migliorare la gestione dei progetti in modo flessibile e iterativo. Il Design Thinking, esploso nell’ultima decade, con il suo approccio centrato sull’utente e l’iterazione continua, è stato fondamentale per molte aziende per creare soluzioni innovative orientate alla risoluzione di problemi reali. La metodologia Lean Startup, con il ciclo Build-Measure-Learn, ha introdotto approcci e mindset orientati a sviluppare prodotti minimamente validi (MVP) e di iterare rapidamente basandosi sui feedback degli utenti, così da poter presidiare più rapidamente il mercato con un rapido time to market, un approccio incrementale ed una mitigazione del rischio di fallimento.

Un ulteriore approccio cruciale che è nato nel periodo della Disruption è anche quello del Platform Design, un approccio che permette, in sintesi, di ridefinire l’approccio e la progettazione della azienda facilitando l’interazione tra diversi attori dell’ecosistema. Questo include la standardizzazione dei protocolli e l’apertura dei servizi, e l’integrazione e creazione di un ecosistema di servizio che permette alle aziende di interagire facilmente con nuove tecnologie e di collaborare con partner esterni, accelerando l’innovazione e ampliando le capacità di sviluppo.

L’Open Innovation infine, negli ultimi anni, ha incoraggiato la collaborazione estesa con partner esterni, startup, università, community di territorio, e clienti, per accelerare l’innovazione e ampliare le capacità di sviluppo. Non ultimo lo Scenario Planning ossia una metodologia strategica che esplora diverse possibilità future per aiutare le organizzazioni a prepararsi all’incertezza. Identificando variabili chiave come cambiamenti tecnologici ed economici, si sviluppano scenari alternativi per capire meglio i potenziali impatti. Questo approccio permette (e sta permettendo) di creare strategie flessibili e resilienti, capaci di adattarsi a diverse evoluzioni del contesto, favorendo una preparazione robusta e la mitigazione dei rischi.

L’integrazione di questi approcci, metodologie, cambio di mindset sta consentendo alle aziende di essere più resilienti e adattabili, e allo stesso tempo robuste, rispondendo prontamente ai cambiamenti del mercato, mantenendo la competitività in un ambiente in rapida evoluzione.

Innovation Shockwave Curve: l’arrivo dell’AI e la convergenza tecnologica

Negli ultimi anni ho affrontato questi temi di cui ho scritto fin qui, di impatto ed innovazione, con differenti aziende clienti e partner affrontando, in industrie diverse, le modalità di gestione e sviluppo delle nuove tecnologie, dei nuovi media, dei linguaggi di diverse generazioni e come queste dovessero esser affrontate con metodologie e piattaforme sempre più adeguate, e con approcci di pensiero strategico sempre più snelli e adattativi.

Negli ultimi mesi, grazie al lavoro fatto su diverse piattaforme e dal confronto con diversi professionisti, ho iniziato a riflettere sulle ripercussioni derivanti oggi dall’AI e dalle nuove opportunità e complessità da affrontare considerata questa “nuova” onda d’urto che sta arrivando.

The Innovation Shockwave Curve | 2024 | Fabio Lalli – Image by Marco Lorio

Questa onda d’urto l’ho definita, già in diverse riunioni, la Innovation Shockwave Curve. Un concetto che descrive a mio avviso bene (sia in termini letterari che visuali) come l’intelligenza artificiale (AI) e altre tecnologie sempre più mature, in questa fase di convergenza e shift di cui parlo da un po’, stanno ridefinendo il panorama dell’innovazione.

La Shockwave Curve è un concetto emergente che descrive come l’intelligenza artificiale (AI) e altre tecnologie avanzate stiano ridefinendo il panorama dell’innovazione. Questo modello è nato dall’osservazione delle rapide e intense ondate di adozione che sta avendo l’AI e le altre tecnologie, che superano (e supereranno) i tradizionali modelli di diffusione dell’innovazione e di Disruption a mio avviso, andando oltre la previsione di Downes e Nunes.

ll termine “Innovation ShockWave Curve” l’ho scelto per descrivere un nuovo modello di adozione delle innovazioni caratterizzato da una rapida diffusione, un picco elevato e una fase di assestamento con continue iterazioni e che combina impatti intensi, appunto come uno shock le innovazioni emergono con un impatto immediato e significativo sul mercato e una diffusione rapida, proprio come un’onda le innovazioni si propagano velocemente attraverso il mercato, raggiungendo un’adozione massiva in breve tempo.

Con l’introduzione della Shockwave Curve, le caratteristiche chiave dei Big Bang Disruptors subiscono ulteriori evoluzioni per adattarsi al nuovo contesto tecnologico e di mercato dominato dall’intelligenza artificiale e dalle tecnologie convergenti. Ho mantenuto le stesse classificazioni per facilità di ragionamento:

  • Strategia indisciplinata (Undisciplined Strategy): mentre nella Big Bang Disruption i disruptors competono simultaneamente su molteplici valori strategici, offrendo prodotti migliori e più economici, nella Shockwave Curve questa strategia diventa ancora più pronunciata. La rapida iterazione e l’ottimizzazione continua consentita dall’AI permettono ai disruptors di personalizzare e adattare i prodotti in tempo reale alle esigenze dei clienti, aumentando ulteriormente la loro competitività su tutti i fronti.
  • Crescita senza vincoli (Unconstrained Growth): la crescita rapida e quasi verticale dei Big Bang Disruptors si intensifica nella Shockwave Curve. Grazie alle capacità predittive e di automazione dell’AI, la velocità di adozione diventa ancora più rapida, permettendo ai disruptors di scalare e raggiungere il mercato di massa in tempi record. Tuttavia, anche l’obsolescenza avviene più velocemente, con nuove ondate di innovazione che emergono costantemente e soppiantano rapidamente le tecnologie precedenti.
  • Sviluppo svincolato (Unencumbered Development): la capacità di sperimentare e lanciare rapidamente prodotti utilizzando componenti pronti all’uso, già evidente nella Big Bang Disruption, viene ulteriormente potenziata nella Shockwave Curve. Le tecnologie AI facilitano lo sviluppo e la sperimentazione continua, consentendo ai disruptors di iterare rapidamente e migliorare costantemente i loro prodotti. Questo ciclo accelerato di sviluppo e implementazione diventa fondamentale per mantenere il vantaggio competitivo in un mercato in continua evoluzione.

Per spiegare meglio la dinamica della Shockwave, ecco alcune differenze sostanziali a mio avviso:

  • Forma della Curva: Curva di Rogers: Una distribuzione normale, con una diffusione lenta e graduale. Curva della Disruption: Una rapida ascesa e declino, simile a una pinna di squalo. Shockwave Curve: Una rapida adozione iniziale, un picco molto alto e un periodo di assestamento con continue iterazioni, somigliante a un’onda d’urto.
  • Tempo di Adozione: Curva di Rogers: L’adozione avviene in anni o decenni. Curva della Disruption: L’adozione può avvenire in diversi mesi o pochi anni. Shockwave Curve: L’adozione è estremamente rapida, spesso in pochi mesi, grazie all’AI e alle tecnologie digitali.
  • Tipping Point: Curva di Rogers: Un punto critico dove l’adozione passa dalla minoranza alla maggioranza. Curva della Disruption: Un tipping point rapido e acuto. Shockwave Curve: Il tipping point è quasi istantaneo, con una diffusione simultanea tra early adopters e majority.

Le variabili già descritte anche nel modello della Disruption cambiano di nuovo:

  • Frequenza: Le innovazioni supportate dall’AI emergono a una frequenza molto alta, creando ondate successive di adozione, con impatto su diverse altre tecnologie e ambiti.
  • Velocità: La velocità di adozione è estremamente rapida, facilitata dalla connettività globale e dai sistemi AI che accelerano lo sviluppo e la distribuzione delle innovazioni.
  • Ampiezza: L’ampiezza del picco è molto elevata, indicando una rapida e vasta adozione, spesso coinvolgendo gran parte del mercato in tempi brevi.

Per quanto riguarda gli effetti che avrà sui processi di ricerca e sviluppo e sull’approccio che le aziende dovranno adottare per mitigare gli impatti e affrontare il repentino cambiamento e una aggressiva competizione, sarà necessario:

  • implementare processi di Innovazione Continua: le aziende dovranno investire costantemente in R&S per sviluppare tecnologie e modelli innovativi e sarà necessario rivedere il concetto purtroppo radicato che “Innovazione = costo”
  • focalizzare l’attenzione senza dubbio su AI e automazione: l’attenzione si concentrerà su tecnologie che possono essere rapidamente iterate e migliorate.
  • allenare l’adattabilità: le aziende dovranno essere estremamente flessibili per rispondere rapidamente alle nuove ondate di innovazione e rivedere modelli di offerta in funzione di un cambiamento repentino anche delle abitudini di consumo e comportamento del mercato
  • definire strategie di mitigazione: sarà sempre più necessario intervenire su processi e strategie per anticipare e rispondere ai rapidi cambiamenti del mercato, come la diversificazione e la flessibilità operativa, e la mitigazione di rischi operativi

Per quanto io veda nelle fasi di enorme cambiamento opportunità di sviluppo e crescita, credo che questa fase, per via di questa onda d’urto, si potrebbero creare e potrebbero emergere non pochi effetti collaterali che provo a buttare giù a livello di macro-pensiero:

  1. Saturazione del mercato: ogni mercato ha un limite massimo di adozione, oltre il quale non è possibile acquisire nuovi utenti senza sottrarli ad altri. Quando un’innovazione raggiunge una crescita come quella che stiamo vedendo, ad un certo punto (ed in questo caso presto), la crescita inevitabilmente rallenta e inizierà a decrescere quando non ci saranno più nuovi utenti da acquisire, o quando la velocità di acquisizione di nuovi utenti non potrà più compensare la perdita di quelli esistenti.
  2. Stanchezza da innovazione: un’accelerazione costante e la frequente introduzione di nuove tecnologie possono portare il mercato a “stancarsi” del continuo cambiamento. La “fatigue” dell’innovazione si verifica quando i consumatori diventano meno inclini a provare nuovi prodotti o servizi a causa dell’eccesso di novità. La resistenza al cambiamento aumenta, e i tassi di adozione iniziano a declinare poiché i consumatori preferiscono stabilità e familiarità.
  3. Limiti di risorse: le risorse necessarie per sviluppare, produrre e distribuire innovazioni non saranno illimitate, ed in alcuni contesti cominciamo a vedere già alcuni. Costi crescenti e la competizione per risorse scarse potranno rallentare il ritmo dell’innovazione. Le aziende rischiano di incontrare difficoltà nel mantenere il ritmo di innovazione, portando automaticamente ad un rallentamento nella diffusione di nuove tecnologie.
  4. Effetti di cannibalizzazione: le nuove innovazioni spesso sostituiscono quelle esistenti. Quando le nuove tecnologie cannibalizzano il mercato delle tecnologie precedenti senza espandere significativamente il mercato totale, il tasso complessivo di crescita può rallentare. La curva di crescita mostra un declino, poiché l’adozione di nuove innovazioni non genera un aumento netto degli utenti.
  5. Dinamiche economiche e sociali: i fattori macroeconomici come recessioni, cambiamenti nelle politiche governative o cambiamenti demografici possono influenzare la capacità di un mercato di adottare nuove tecnologie. Questi fattori possono portare a una stagnazione o a una riduzione nell’adozione delle innovazioni, interrompendo il modello della Shockwave Curve.
  6. Aumento della concorrenza: la rapida diffusione delle innovazioni altamente impattanti e generative, come l’AI appunto, crea mercati altamente competitivi. Le aziende devono competere non solo con le imprese tradizionali ma anche con nuove startup, più agili snelle e maggiormente aggressive in termini di capacità di insediamento sul mercato. L’aumento della concorrenza portare automaticamente ad una riduzione dei margini di profitto e a una maggiore pressione per innovare continuamente.
  7. Dipendenza dall’innovazione continua: un tema che non avrei pensato anni fa, è il tema della dipendenza (e da effetto Fomo). Le aziende non possono più non fare innovazione, ma ne potrebbero diventare troppo dipendenti, con la necessità costante di introdurre costantemente nuove proposizioni o miglioramenti di offerta. Questa rincorsa potrebbe generare, come sta succedendo già con l’effetto FOMO, a decisioni affrettate, investimenti rischiosi e un focus eccessivo sull’innovazione a breve termine a scapito della stabilità a lungo termine.
  8. Disuguaglianze di accesso: le innovazioni tecnologiche raggiungono prima i mercati sviluppati, lasciando indietro i mercati emergenti. Questa dinamica crea potenzialmente una disuguaglianza nell’accesso alle tecnologie avanzate, esacerbando le disparità economiche e sociali.
  9. Impatto ambientale: non ultimo un tema oggi più che mai attuale. La produzione e lo smaltimento rapidi di nuovi dispositivi tecnologici e di sistemi dall’impatto enorme in termini di consumo, possono avere effetti negativi sull’ambiente e sul consumo di risorse naturali.

Le metodologie fin ora adottate e suggerite anche dal precedente modello della BigBang Disruption, rimangono essenzialmente le stesse, centrate principalmente su alcuni principi: progettazione sempre più utente centrica, agilità di processo e metodo, collaborazione multidisciplinare per comprendere non solo gli impatti tecnici, ma anche sociali, economici, psicologici e normativi.

Per affrontare l’impatto della Shockwave Curve, le aziende dovranno continuare ad adottare diverse metodologie:

  • Metodologie Agili: Framework come Scrum e Kanban permettono una gestione flessibile e iterativa dei progetti.
  • Design Thinking: Approccio centrato sull’utente e iterazione continua per sviluppare soluzioni che risolvano problemi reali.
  • Lean Startup: Ciclo Build-Measure-Learn per sviluppare MVP e iterare rapidamente basandosi sui feedback degli utenti.
  • Platform Design: Creazione di piattaforme che facilitano l’interazione tra diversi attori dell’ecosistema, standardizzazione dei protocolli e apertura dei servizi attraverso API.
  • Open Innovation: Collaborazione estesa con partner esterni, startup, università e clienti per accelerare l’innovazione.
  • Scenario Planning: Previsione e preparazione per diverse possibili evoluzioni del mercato, sviluppando strategie per affrontare ciascun scenario.

Dato l’impatto estremamente rapido e intenso della Shockwave Curve, oltre metodologie agili, Design Thinking, Lean Startup, Platform design, Open Innovation e Scenario Platform sarà a mio avviso necessario sviluppare e adattare nuove metodologie per affrontare le sfide specifiche che questa nuova onda presenterà.

Credo, anche per l’esperienza che sto facendo su alcuni ambiti di industria, che sarà necessario includere:

  • AI-Driven Innovation: utilizzo di algoritmi di intelligenza artificiale per anticipare le tendenze e adattare rapidamente le strategie.
  • Continuous Deployment & Integration: processi automatizzati per implementare continuamente nuove funzionalità e miglioramenti, riducendo il tempo di risposta ai cambiamenti del mercato.
  • Ecosystem-Oriented Development: prodottizzazione di alcuni procesi, sviluppo di servizi con un approccio integrato all’ecosistema, favorendo la collaborazione tra diversi attori del mercato e sfruttando le sinergie.
  • Adaptive Governance: strutture di governance flessibili che permettano decisioni rapide e decentralizzate, facilitando l’innovazione continua e l’adattamento alle nuove condizioni di mercato.
  • Real-Time Analytics & Decision Making: Utilizzo di strumenti di analisi in tempo reale per prendere decisioni rapide e informate, migliorando la capacità di reagire ai cambiamenti del mercato.

La curva di innovazione ha subito un’evoluzione significativa dalle prime fasi rappresentate dalla curva gaussiana, attraverso la fase della curva a pinna di squalo, fino alla recente “emergenza” di fronteggiare l’onda d’urto della innovation shockwave curve, influenzata dall’AI.

Questa transizione riflette senza dubbio l’accelerazione e la dinamizzazione dei processi di innovazione nel contesto tecnologico attuale. Le aziende che non sapranno, più di prima, adattarsi subiranno non più l’effetto travolgente di una onda di grandi dimensioni, ma l’impatto di un muro verso cui si sta correndo senza possibilità di frenare. L’agilità e l’innovazione continueranno ad esser non una certezza di salvataggio, ma un approccio utile per interpretare, comprendere e adattarsi nell’era dell’intelligenza artificiale e delle tecnologie convergenti.

Dello Shift che stiamo vivendo ne ho scritto nel libro “Spatial Shift: La convergenza tecnologica di Computing, Mixed Reality, Artificial Intelligence e Blockchain” trattando in modo specifico lo shift della mixed reality e dell’AI, focalizzandomi sugli impatti dello Spatial Computing, ossia una piccola parte del grande cambiamento che stiamo vivendo.

TECH & BUSINESS

Macro Trend 2024: dell’Intelligenza artificiale e (tanto) altro

Il 2024 si prospetta come un anno di notevole trasformazione tecnologica, in cui l’intelligenza artificiale (AI) emerge come un catalizzatore fondamentale, abilitando una moltitudine di trend emergenti e consolidati. Mentre alcuni di questi trend sono ancora nelle loro fasi iniziali, promettendo un terreno fertile per investimenti futuri, altri hanno già raggiunto una maturità tale da richiedere un’adozione immediata. Questa dinamica riflette un panorama tecnologico in cui l’AI non solo guida l’innovazione ma anche crea impatti collaterali in settori diversi, spingendo le aziende e gli investitori a valutare attentamente dove posizionare le loro pedine nel gioco dell’innovazione.

In questo contesto, alcuni trend si stanno affermando come pilastri per le strategie a lungo termine, mentre altri rappresentano opportunità di cambiamento e adattamento che le organizzazioni possono e devono cogliere nel presente. La convergenza di queste tendenze sta plasmando un futuro in cui la tecnologia non è solo uno strumento di progresso, ma anche un elemento chiave per affrontare le sfide globali e locali, offrendo nuove prospettive di crescita e sviluppo in un’ampia gamma di settori.

Sicurezza Pubblica nel XXI secolo

L’innovazione tecnologica sta rivoluzionando il settore della sicurezza pubblica. L’uso di droni e sistemi intelligenti di sorveglianza sta migliorando la risposta a emergenze e criminalità, consentendo una gestione più efficace delle risorse di sicurezza, riducendo i tempi di risposta e migliorando l’efficacia degli interventi.

Smart Grids

La transizione verso reti energetiche intelligenti è fondamentale per gestire in modo più efficiente le fonti di energia rinnovabile. Queste reti supportano il flusso bidirezionale di energia, permettendo non solo il consumo, ma anche la produzione e la vendita di energia da parte dei consumatori.

Swarming Cost-Effective per la Difesa

L’uso di sistemi di droni in scenari di difesa per creare un effetto di massa e sovraccarico offre un vantaggio strategico significativo. Questi sistemi possono essere utilizzati per missioni di sorveglianza, ricognizione o attacco.

Acquisizioni Tecnologiche

Le aziende stanno ampliando le loro competenze software attraverso acquisizioni strategiche. Questo permette loro di estendere la scala dei loro vantaggi software e migliorare il profilo del business acquisito.

Nuove Applicazioni per la Visione Artificiale

L’impiego della visione computerizzata in vari settori industriali come trasporti, agricoltura e miniere permette l’analisi e il monitoraggio automatico, migliorando l’efficienza e la sicurezza.

Nuova Era dell’Esplorazione Marittima

L’innovazione tecnologica sta rivoluzionando il settore marittimo. AI, hardware avanzati e visione computerizzata sono utilizzati per modernizzare le flotte e migliorare l’esplorazione e l’utilizzo sostenibile delle risorse marine.

Democratizzazione dei “Farmaci Miracolosi”

Lo sviluppo di terapie farmaceutiche innovative e la loro introduzione nel mercato in modo economicamente sostenibile rappresenta un trend importante. Questo include la gestione dei costi e la logistica complessa di tali farmaci.

Medicina Programmabile

La medicina programmabile rappresenta una rivoluzione nel modo in cui vengono sviluppate e distribuite le terapie, permettendo un approccio più rapido e mirato alla cura di varie malattie.

Potenziamento della Forza Lavoro Sanitaria

L’integrazione dell’intelligenza artificiale nel settore sanitario sta contribuendo a ridurre il carico di lavoro e migliorare l’efficienza del personale sanitario, contribuendo a ridurre il burnout e migliorare la qualità delle cure.

AI che Supera il Futuro della Salute

L’adozione dell’intelligenza artificiale nel settore sanitario non solo per l’automazione, ma anche per l’innovazione in diagnosi, trattamento e gestione dei pazienti è un trend in crescita.

App a Voce Primaria

Lo sviluppo di applicazioni che utilizzano l’interfaccia vocale come modalità principale di interazione sta migliorando l’accessibilità e la facilità d’uso.

AI Mirata e Costruita su Misura

Lo sviluppo di soluzioni AI specifiche per settori e esigenze particolari sta garantendo che l’AI sia ottimizzata per applicazioni specifiche piuttosto che per usi generali.

Strumenti AI per l’Educazione dei Bambini

Lo sviluppo di piattaforme AI progettate specificamente per l’educazione dei bambini, con focus sulla sicurezza, l’interattività e l’adattabilità alle diverse esigenze di apprendimento è un trend emergente.

Generatori AI senza Codice

La creazione di piattaforme che permettono agli utenti di generare contenuti e applicazioni senza la necessità di competenze di programmazione sta democratizzando l’accesso alla creazione digitale.

La Creatività Potenziata dall’AI

L’uso di strumenti AI che funzionano come co-piloti creativi, assistendo gli utenti nel processo creativo e rendendo l’arte e il design più accessibili è un trend in crescita.

Nuova Era di Decentralizzazione

L’importanza della decentralizzazione per garantire la libertà degli utenti e la neutralità delle infrastrutture internet, contrastando la centralizzazione del potere, è un trend emergente.

Rifacimento dell’Esperienza Utente nel Futuro

Innovazioni nell’esperienza utente nel settore delle criptovalute stanno rendendo il settore più semplice e accessibile.

Ascesa della Pila Tecnologica Modulare

La tendenza verso architetture modulari nelle reti per promuovere l’innovazione aperta e la concorrenza è un trend in crescita.

AI + Blockchain

La combinazione di intelligenza artificiale e blockchain per democratizzare l’innovazione nell’AI e garantire la sicurezza e la trasparenza è un trend emergente.

Dal Gioco per Guadagnare al Gioco e Guadagnare

La trasformazione dell’economia dei giochi per permettere ai giocatori non solo di divertirsi ma anche di trarre vantaggi economici dalle loro attività di gioco è un trend in crescita.

Intelligenza Artificiale come acceleratore di Giochi

L’uso di agenti AI nei giochi per creare esperienze di gioco più ricche e coinvolgenti è un trend emergente.

Verifica Formale meno “Formale”

Lo sviluppo di metodi di verifica formale più accessibili e meno complessi, particolarmente importanti nel settore dei contratti intelligenti, è un trend in crescita.

NFT come Asset di Marca Onnipresenti

L’uso degli NFT come strumenti per costruire identità di marca e coinvolgere la comunità è un trend emergente.

SNARKs Diventano Mainstream

L’adozione di SNARKs per la verifica sicura e efficiente di carichi di lavoro computazionali è un trend in crescita.

I trend tecnologici del 2024 abbracciano una vasta gamma di settori in rapida evoluzione, evidenziando il ruolo centrale dell’innovazione tecnologica nel plasmare il futuro in diversi ambiti. Nel 2024 le aziende adotteranno un approccio sempre più pragmatico all’innovazione, con un’attenzione crescente alle pratiche tecnologiche sostenibili e all’importanza di un’approccio alle decisioni tecnologiche strategico, ma anche concreto.

TECH & BUSINESS, WEB3, METAVERSE & NFT

Generative AI: opportunità e rischi

L’AI generativa sta entrando nella discussione di tutti da un po’ di tempo e soprattutto negli ultimi giorni si è sentito parlare tanto di ChatGPT e altri simili.

I 3 motivi che emergono da tante discussioni di queste ore e per cui potrebbe cambiare alcune dinamiche della nostra vita professionale sono in particolare:

  1. Libertà creativa: l’AI generativa ci consentirà di esplorare nuovi livelli di creatività e innovazione, sbloccando possibilità che non sono mai state possibili prima.
    ▪️Provocazione: sarà in grado di non omologare invece?
  2. Automazione: l’AI generativa automatizzerà le attività noiose, dandoci più tempo per concentrarci sulle cose che contano di più.
    ▪️Provocazione: saremo in grado di discernere a quel punto cosa è giusto da cosa è sbagliato se tutto è automatizzato tanto da anticipare un processo di valutazione?
  3. Risoluzione dei problemi: l’AI generativa genererà nuove soluzioni a problemi complessi, facendoci risparmiare tempo e aiutandoci a prendere decisioni più informate.
    ▪️Provocazione: saremo realmente in grado di dedicarci a decisioni più importanti invece di appiattirci completamente?

L’intelligenza artificiale ora scrive codice, può rispondere a domande complesse, progettare interfacce 3D, con semplici input umani o anche senza alcuna interazione umana.

Stiamo sbloccando un nuovo livello di potenziale, nuove opportunità e tutto questo sta – nemmeno troppo gradualmente – abilitando dei cambiamenti di cui ancora non vediamo realmente gli impatti.

Eccitante? Sì 🖖
Allarmante? Forse 🤔

Il video (di circa un anno fa) dettaglia abbastanza alcuni ambiti di applicazione, attuali e potenziali.

TECH & BUSINESS

E se questo articolo lo avesse scritto una AI?

Sono giorni che girano su Web screenshot di più strani dialoghi fatti tra personaggi storici e attuali, tra cartoni ed altro, completamente generati da sistemi di AI in grado di scrivere testi, interpretare testi e creare immagini o dare vita piccoli spezzoni di video. Di piattaforme di Intelligenza Artificiale generativa ne stanno nascendo parecchie e tra le più note di cui si parla c’è sicuramente MidJourney per le immagini, RunWay per video e OpenAI ChatGPT per i testi. Ieri dopo la richiesta di un cliente di fargli vedere come funzionassero, ho usato ChatGPT scrivendo:

Scrivi un articolo che parla di Intelligenza Artificiale generativa, applicata a video, immagini e testi. Inizia l’articolo con la domanda “E se questo articolo lo avesse scritto una AI?”

In meno di un paio di secondi ChatGPT mi ha risposto nel modo che segue:

E se questo articolo lo avesse scritto una AI? L’Intelligenza Artificiale generativa sta diventando sempre più avanzata e capace di creare contenuti come video, immagini e testi che possono essere difficili da distinguere da quelli creati da esseri umani.

L’Intelligenza Artificiale generativa può essere utilizzata in molti campi, dall’arte alla pubblicità, passando per la scrittura di testi tecnici o scientifici. Ad esempio, un’AI può essere addestrata su una vasta gamma di immagini per creare nuove immagini che sembrano realistiche, oppure può essere addestrata su un corpus di testi per scrivere articoli che hanno lo stile e il tono di un essere umano.

L’Intelligenza Artificiale generativa può anche essere utilizzata per creare video che sembrano girati da una telecamera, con personaggi che parlano e si muovono in modo realistico. Inoltre, può essere utilizzata per generare trascrizioni accurate di audio o video, o per creare sottotitoli per i contenuti audio o video.

L’Intelligenza Artificiale generativa sta facendo passi da gigante nella creazione di contenuti realistici e credibili, e il suo utilizzo sta diventando sempre più diffuso nel mondo dei media e della comunicazione. Tuttavia, ci sono anche preoccupazioni per quanto riguarda la possibilità che queste tecnologie vengano utilizzate per diffondere false informazioni o ingannare gli utenti.

In ogni caso, l’Intelligenza Artificiale generativa rappresenta un importante passo avanti nella creazione di contenuti realistici e convincenti, e sarà interessante vedere come evolverà e come verrà utilizzata in futuro.

Ho rifatto la stessa domanda per dimostrare che non fosse una risposta a “stato finito” e questa è la seconda generazione.

E se questo articolo lo avesse scritto una AI? Negli ultimi anni, l’Intelligenza Artificiale generativa sta diventando sempre più avanzata e sta trovando applicazioni in diversi campi, come la creazione di video, immagini e testi.

L’Intelligenza Artificiale generativa è un tipo di IA che è in grado di creare contenuti originali, utilizzando modelli di apprendimento automatico per analizzare dati esistenti e generare nuovi contenuti che rispettano determinate specifiche. Ad esempio, una IA generativa può essere utilizzata per creare video di alta qualità a partire da un set di immagini o per generare testi che rispettano determinati criteri, come un certo stile o un determinato argomento.

L’applicazione dell’Intelligenza Artificiale generativa ai video può offrire numerosi vantaggi rispetto ai metodi tradizionali di produzione. Ad esempio, una IA generativa può analizzare un gran numero di video e immagini e creare nuovi contenuti in modo più veloce e accurato rispetto a un team di editor umani. Inoltre, l’utilizzo di una IA generativa per la creazione di video può aiutare a ridurre i costi di produzione e aumentare l’efficienza.

Anche nel campo delle immagini, l’Intelligenza Artificiale generativa sta trovando importanti applicazioni. Ad esempio, una IA generativa può essere utilizzata per generare immagini di alta qualità a partire da dati di input scarsi o incompleti. In questo modo, è possibile creare immagini realistiche e dettagliate anche partendo da dati di scarsa qualità.

Infine, l’Intelligenza Artificiale generativa può essere utilizzata anche per la creazione di testi. Ad esempio, una IA generativa può analizzare un gran numero di testi e utilizzare queste informazioni per generare nuovi testi che rispettano determinati criteri, come uno stile specifico o un argomento particolare. In questo modo, l’IA generativa può aiutare a creare contenuti originali e di alta qualità in modo efficiente e veloce.

In conclusione, l’Intelligenza Artificiale generativa sta trovando sempre più applicazioni in campi come i video, le immagini e i testi, offrendo vantaggi come la velocità, l’accuratezza e la riduzione dei costi rispetto ai metodi tradizionali. In futuro, è probabile che questa tecnologia continui a evolversi e a trovare nuove e interessanti

Non vi racconto lo stupore perché sarà lo stesso che molti che leggeranno questo articolo proveranno, ma la cosa interessante è stata la convergenza della discussione sulle opportunità di business e le implementazioni potenziali che ne potrebbero derivare.